（电力电子与电力传动专业论文）基于神经网络的变压器故障诊断技术的研究.pdf

嚣华大学硕士学位论文 r e s e a r c ho ft r a n s f o r m e rf a u l td i a g n o s i sb a s e do n a r t i f i c i a ln e u r a ln e t w o r k p o w e re l e c t r o n i c sa n de l e c t r i c a l 蹦v e g r a d u a t e ：g u ol e is u r p e r v i s o r ：d o n gx i uc h e n g p o w e rt r a n s f o r m e re q u i p m e n ti so n eo ft h em o s tc r i t i c a lp o w e rs y s t e m sa n di s a l li m p o r t a n tg u a r a n t e ef o rs a f e ，h i 驰一q u a l i t y , e c o n o m i co p e r a t i o nt op o w e rs y s t e m w em u s tm a x i m i z et op r e v e n ta n dr e d u c et h eo c c u r r e n c eo fa c c i d e n t so ft r a n s f o r m e r t h et r a n s f o r m e rf a u l td i a g n o s i si sv e r yi m p o r t a n tt ot h es a f e t ya n de c o n o m i c o p e r a t i o no fp o w e rs y s t e m d i s s o l v e dg a sa n a l y s i s ( d g a ) i so n eo ft h em o s t e f f e c t i v em e t h o d st op r e d i c ta n dd i a g n o s et r a n s f o r m e rf a u l t s t h en e u r a ln e t w o r kh a s t h ei n f o r m a t i o np r o c e s s i n gt r a i t so fa s s o c i a t i v em e m o r ya n ds t r o n gc a p a b i l i t yt o r e c o g n i z ea n dc l a s s i f yt h ei n p u ts a m p l e s t h ep o s s i b i l i 锣o f t h ep r a c t i c a la p p l i c a t i o n o fa r t i f i c i a ln e u r a ln e t w o r kt od i a g n o s ef a u l to fe q u i p m e n ti sc o m et r u e s o ，t os t u d y t h en e u r a ln e t w o r kf a u l td i a g n o s i sm e t h o db yt h ed i s s o l v e dg a s e si nt r a n s f o r m e ro i l a st h ec h a r a c t e r i s t i c sh a sp r o v i d e dt h en e ww a yf o rt h et r a n s f o r m e rf a i l u r ed i a g n o s i s i nt h et h e s i s ，f i r s t l y , t h et r a n s f o r m e rf a u l td i a g n o s i sm e t h o d sh a v eb e e n r e s e a r c h e ds y s t e m a t i c a l l y a n a l y s e da n dc o m p a r e dt h ea d v a n t a g ea n dd i s a d v a n t a g e o ft r a d i t i o n a lt r a n s f o r m e rf a u l td i a g n o s i s f o re x a m p l e ，i e c3r a t i om e t h o d ，r o g e r s m e t h o d ，e l e c t r i c i 锣a s s o c i a t i o nr e s e a r c h b o a r do f j a p a nm e t h o d , e t c t h e n , m a k eu s e o fa r t i f i c i a li n t e l l i g e n c et oa n a l y s i sa n dp r o c e s st h ed a t a , w h i c hw a sa c q u i r e df r o m t r a n s f o r m e rs t a t ed e t e c t i o n 。t h e nc o n t r o lt h et r a n s f o r m e r ss t a t e - t h em o v e m e n to rt h e n 西华大学硕士学位论文 f a u l t t h ec o m p l e t i o no ft h i st h e s i si sb a s e do nal o to fr e f e r e n c e s ，e l a b o r a t e d s y s t e m a t i c a l l yt h ef a u l tt y p eo ft h ep o w e rt r a n s f o r m e ra n dt h ec h a r a c t e r i s t i cg a s ， c o r r e s p o n d i n gr e l a t i o n s h i pb e t w e e nt h ed i f f e r e n tk i n d so f f a u l ta n dd i f f e r e n tk i n d so f c h a r a c t e r i s t i cg a sc o n t e n t c o n s r t u c ti n p u tc h a r a c t e r i s t i cp a r a m e t e ra d a p t i n gi nt h e t r a n s f o r m e rf a u l td i a g n o s i s s e l e c t e da n dt r a i n e dt h eb pa n dr b fn e u r a ln e t w o r k w h i c hw e r es u i t a b l et ot h ep o w e rt r a n s f o r m e rr u n n i n gc o n d i t i o na n df a u l to n l i n e d e t e c t i o n ，d i a g n o s i sa n df o r e c a s t i n g t h ef a u l td i a g n o s i sm o d e lo ft h e p o w e r t r a n s f o r m e rh a sb e e nc o n t r a c t e db a s e do nt h ea r t i f i c i a ln e u r a ln e t w o r ki nt h i st h e s i s f i n a l l y , t h es i m u l a t i o nr e s u l t ss h o wt h a tt h et w om e t h o d sc o m p a r e dw i t ht r a d i t i o n a l t r a n s f o r m e rf a u l td i a g n o s i sm e t h o d sh a v e o b v i o u ss u p e r i o r i t ya n dh i g h e rf a u l t d i a g n o s i sr a t e k e yw o r d s ：t r a n s f o r m e r , f a u l td i a g n o s i s ，n e u r a ln e t w o r k ，b p , r b f i i i 西华大学硕士学位论文 声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。除了文中特别加以标注的和致谢的地方外，论文中不包含其它人己经 发表或撰写过的研究成果，也不包含为获得西华大学或其它教育机构的学位或 证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论 文中作了明确的说明并表示感谢。 本学位论文成果是本人在西华大学读书期间在导师指导下取得的，论文成 果归西华大学所有，特此声明。 作者签 导师签 7 4 卅年月y 日 矽挣石眵日 西华大学硕士学位论文 1 绪论 1 1 研究目的和意义 电力变压器是电网的核心设备之一，变压器故障一直是危及电网安全的主 要因素，2 0 0 1 年国家电网的变压器共发生非计划停运达2 1 6 次，其故障率最大 的部位是变压器的内绝缘，主要故障特点是变压器绝缘老化严重、运行环境恶 劣、变压器制造质量有问题【l j 。由于变压器内部结构复杂，电场分布不均匀， 且随着超高压和特高压输变电技术的迅速发展，电网容量加大和覆盖面增广，电 力变压器的故障可能对电力系统和用户造成更为重大的危害和影响。因此变压 器稳定、可靠运行将对电力系统安全起到非常重要的作用。变压器故障通常是 伴随着电弧和放电以及剧烈燃烧而发生，随后电力设备即发生短路或其他故障， 轻则停电检修，直接影响生产，严重时甚至会发生变压器爆炸，造成重大经济 损失【2 】。由此可见，电力变压器是电力系统最重要的输变电设备，同时也是电 力系统中发生事故最多的设备之一，其运行状态直接影响系统运行的安全与稳 定。如何确保变压器的安全运行受到了世界各国的广泛关注。通过对电力变压 器定期进行预防性维护，实时检测高压设备的实际运行情况，检测与诊断其潜 伏性故障或缺陷，提高诊断水平，做到有针对性的检修维护，达到早期预报故 障，避免恶性事故的发生，具有重要的实际意义【3 5 】。 变压器故障诊断的作用是 6 1 ( 1 ) 判断运行设备当前处于正常状态还是异常状态； ( 2 ) 若有故障，则判断故障的性质、类型和原因，例如是绝缘故障还是过热故 障或机械故障，若是绝缘故障，则分辨绝缘老化、受潮还是放电性故障，放电性故 障又是哪种类型的放电等等； ( 3 ) 根据故障信息或根据信息处理结果，预测故障的可能发展，即对故障的严 重程度，发展趋势做出诊断； ( 4 ) 提出控制故障的措施、防止和消除故障的方法； ( 5 ) 提出设备维修的合理方法和相应的反事故措施； ( 6 ) 对设备的设计、制造、装配等提出改进意见。为设备的现代化管理提供 西华大学硕士学位论文 科学依据和建议。 1 2 国内外研究现状及发展趋势 从八十年代中后期开始，基于人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称 a n n ) 的变压器故障诊断方法得到了迅速的发展。人工神经网络代表了一种新 的方法体系，它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非 线性信息的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信 息交换。在经历了几十年的研究和发展后，己形成一套严密系统的理论，并以强大 的并行处理能力、非线性映射能力、分布式存储能力和自适应学习能力为电力 变压器的故障诊断研究提供了一种全新的思路【7 训。将人工神经网络和变压器油 中溶解气体的分析相结合，有助于解决变压器的i e c 三比值法等传统诊断方法 编码不全等问题。但人工神经网络的模型有很多种，每种神经网络都有其各自的 优点，应用的领域也不尽相同。 变压器故障诊断是近年来电力系统研究的热点，在国内外均有较大范围的 研究。现已有多种人工智能和优化方法应用于电力变压器的故障诊断研究。文 献【1 0 认为具有单隐层的神经网络分类效果最优，它具有最小运算量，同时完 全满足故障现象和故障原因之间的非线性映射。但是b p 网络容易收敛到局部最 优解，为了解决这个问题，已经提出了许多种结合其它方法的学习算法。文献 【1 1 提出结合遗传算法的多层前馈网络，其进行网络训练的初始权值是全解空 间种的最优解。文献 1 2 】在学习算法中加入随机扰动也取得了较好的效果。文 献 1 3 】采用的是k o h o n e n 自组织特征映射网络，通过网络中神经元间的交互作 用和相互竞争，实现对不同故障类型的聚类分析。文献 1 4 贝j j 采用了在逼近能 力、分类能力和学习速度优于b p 网络的径向基函数神经网络。文献 1 5 利用b p 神经网络建立了油色谱分析故障诊断的模型，对采用不同激励函数的神经网络 的收敛性进行了对比。文献【1 6 采用基于局部特征量的神经网络方法建立了相 应的压缩模型，用以诊断传统的三比值法无法诊断的故障。文献 1 7 】提出以7 种 气体含量所占的相对百分比和四比值为输入矢量的两种输入方式。文献 1 8 1 9 】 将范例推理引入到变压器的故障诊断中，修改b p 神经网络模型得出范例检索算 法。文献【2 0 在决策树的基础上，建立组合神经网络模型，提出一种基于多元 统计分析的训练样本及输入矢量选择方法。文献 2l 】结合定期测试、服务条件、 2 两华大学硕士学位论文 维修历史和专家意见等提出基于神经网络的信息融合模型。文献【2 2 】在讨论变 压器故障空间划分方法及其存在问题的基础上，针对已积累的故障变压器的大 量溶解气体数据，考察了各类故障豹气体特征及聚类分析维果，并在此基磁上构 造了组合神经网络分层结构模型，实现了对变压器故障由粗到细的逐级划分，以 提高诊断的准确性，为制定维修策略提供了依据。文献【2 3 】提出了一种用于径向 基函数r b f 神经网络训练的新方法，且p g a u s s - j o r d a n 与求广义逆的复合法，仿真 结果表明，此方法训练速度快，实时性强，其收敛性和收敛精度均比正交最d 、- c 乘法效果好。文献【2 4 】提出了一种改进的r b f 神经网络学习算法，分别通过减聚 类和监督学习算法对网络参数和权值进行训练，既可以根据样本合理地聚类、确 定r b f 径向基函数的个数和相应参数，又具有较强的礴络映射能力，铁面不仅使 r b f 神经网络结构得以优化，性能也得到了提高。 1 3 本文研究的主要内容 由于神经网络方法可以从变压器油中溶解气体数据( d g a ) 中获得其中隐 含的诊断规律，丽不需要变压器故障诊断的相关知识就可! 以进行赦障诊断，面且 能够根据实际变压器的油中溶解气体数据对网络进行自适应调整。所以，本文 就是要运用神经潮络的手段，对变压器状态监测新获得的数据进行分析和处理 从而掌握被监测对象的运行状态或故障原因。本文根据基于d g a 技术变压器 故障特点，将现有的一些神经网络应用在变压器故障诊断中，通过对结果的比 较、分析研究，找到一种在逼近能力、分类能力、学习速度方面都相对比较优秀 的神经网络，改善现阶段技术中最常用的i e g 三比值法等方法所存在编码不全， 容易错判潺判的阆题，提高变压器故障诊断的准确率。 为完成研究目标，本文所做的工作主要包括以下几个方面： ( 1 ) 深入分析以油中溶解气体为特征量的变压器内部故障诊断的原理，并对 油中溶解气体的比值诊断法等传统诊断方法进行了分析和总结； ( 2 ) 通过查阅大量的相关文献资料收集尽量详细的故障样本数据( 主要是 d g a 数据) ，构造神经嬲络豹训练样本集，选择适应于变压器故障诊断的输入 特征参量； ，、对粉d 袖瑟网络和r b f 神经瓣络的基本理论进行了深入的研究； 训练速度慢和容易陷入局部最小的特点，对网络进行了改 3 西华大学硕士学位论文 进，通过经验公式与反复试验的方法确定了合理的网络结构和训练参数； ( 5 ) l k 较几种改进b p 算法的训练效果，找到最适合本论文所确定的训练网 络的训练算法； ( 6 ) 对b p 算法和r b f 算法训练好的神经网络分别进行仿真试验，将训练结 果与传统诊断方法进行比较、分析。证明此两种方法相当对于传统的变压器故 障诊断的方法具有明显的优越性和更高的故障诊断率。 4 西华大学硕士学位论文 2 变压器常见故障及传统诊断方法 2 1 变压器常见故障 变压器常见的内部故障，就故障性质来看，主要分为电性故障和热性故障。 至于机械性故障，最终仍以热性或电性故障形式表现出来；变压器内部进水受 潮也是一种内部潜伏性故障，除非早期发现，否则最终也会发展成电性故障 2 5 - 2 6 o ( 1 ) 热性故障 热性故障是由于有效热应力所造成的绝缘加速劣化，具有中等水平的能量 的密度。在过热性故障中，属于分接开关接触不良而引起的热性故障约占5 0 ； 铁芯多点接地和局部短路或漏磁环流所引起的过热故障约占3 3 ；导线过热和 接头不良或紧固件松动引起的过热故障约占1 4 4 ：其余2 6 则为局部油道堵 塞，致使局部散热不良而造成的热性故障。其比例分布如图2 1 所示。 热性故障比例图口分接开关接触 不良而引起的 热性故障 铣芯多点接地 和局部短路或 漏磁环流所引 起的过热故障 口导线过热和捧 头不昆或紧固 件松动引起的 过燕故障 口局部油道堵塞 致使局部散热 不良而造成的 热性故障 f i g u r e2 1o v e r h e a t e df a u l tp r o p o r t i o nc h a r t 图2 1 热性故障比例图 ( 2 ) 电性故障 电性故障是在高电应力作用下所造成的绝缘劣化，由于能量密度的不同， 而分高能量放电，低能量放电，亦即火花放电和局部放电等不同的故障类型。 西华大学硕士学位论文 高能量放电将导致绝缘电弧击穿。火花放电是一种间歇性的放电。 电弧放电：这种故障产气急剧，产气量大，其故障特征气体主要是乙炔和 氢气，其次是大量的乙烯和甲烷。 火花放电：其特征气体也是以乙炔和氢气为主，但因故障能量较小，一般 烃总量不太高。 局部放电：其产生气体的特征，主要依放电能量密度不同而不同，一般烃 总量不高。其主要成分是氢气，其次是甲烷。当放电能量密度增高时也可以出 现乙炔，但乙炔在烃总量中所占的比例一般不超过2 ，这是与上述两种放电 现象区别的主要标志。 ( 3 ) 受潮 当变压器内部进水受潮时，油中水分和含湿杂质易形成“小桥”或者绝缘 中含有气隙均能引起局部放电，而产生氢气，还因为水分在电场作用下的电解 作用和水与铁的化学反应，也可产生大量的氢气。 2 2 变压器内部故障类型与油中气体含量的关系 根据国内外的研究，变压器内部故障类型与油中气体含量的关系大致如表 2 1 、2 2 所示。 表2 1 不同故障类型产生的气体组分 t a b l e2 1g a sc o m p o n e n to f d i f f e r e n tf a u l tt y p e 6 西华大学硕士学位论文 表2 2 变压器油中气体组分与内部状况的关系 t a b l e2 2t h e r e l a t i o n s h i po f g a sc o m p o n e n ti nt h et r a n s f o r m e ro i la n di n t e r n a lc o n d i t i o n 被测气体设备内部状况 2 与5 或更少的氧气( d ：) n ：与大于5 的氧气( d ：) 2 、c o 或c o z ，或c o 、c o z 同时存在 n 2 与h 2 n ”h c o 和c o , 一 2 、h 2 、c h 4 和少量的c 2 h 4 、c 2 h 。 2 、马、c h 4 、c o 、c q 及少量的其 它烃类气体，通常不存在c 以 2 、大量的日：及其它烃类气体，包括 c 2 h 2 2 、大量的4 、c h 4 、c 2 也及少量的 c ，h 、 密封变压器处于正常运行状态 检查变压器密封情况 变压器过载或过热，引起绝缘 纸热劣解，检查运行条件 电晕放电，水电解或铁锈 电晕放电涉及到绝缘纸或变压 器严重过载 火花放电或别的不严重的故障， 在油中引起放电 火花放电或别的不严重的故障， 涉及到固体绝缘 内部存在高能量的电弧放电，引 起油快速劣化 小区域的高温过热，通常由于接触不 良引起，故障未涉及到固体绝缘 ：、大量的日2 、c h 4 、c 2 吼及少量的 g 马， 另外还有c o 、c o ：存在 小区域的高温过热，通常由于接触不 良引起，但故障已涉及到固体绝缘 2 3 传统诊断方法 油中溶解气体分析法，简称d g a ( d i s s o l v e dg a s a n a l y s i s ) ，是根据我国现 行的g b t 7 2 5 2 2 0 0 1 变压器油中溶解气体分析和判断导则【2 7 1 ，以变压器油 中溶解的甲烷( c h 4 ) 、乙烷( c 2 瓯) 、乙烯( c 2 以) 、乙炔( c 2 h z ) 以及一 氧化碳( c o ) 、二氧化碳( c 0 2 ) 、氢气( h 2 ) 气体的组分、含量及产气速率， 来判断变压器故障的方法。采用油中溶解气体的气相色谱法分析变压器油中溶 解气体组分，从而判断变压器的潜伏性故障，具有分离效率高、分析速度快、 7 西华大学硕士学位论文 检测灵敏度高和样品用量少等特点。历年来的实践证明，这项检测技术能十分 有效地检测设备内部的绝缘缺陷及其他故障，且不需要停电，不受外界电场干 扰，定期地对变压器运行内部状况进行诊断，将事故消灭在萌芽状态之中，这 是其他绝缘监督手段所无法比拟的【2 8 1 。据统计，我国电网中有5 0 以上的故障 变压器是通过该试验结果检出的。实现在线对变压器内部绝缘状况进行诊断， 有利于促进由定期维修方式向状态维修方式的过渡。电气设备预防性试验规 程把油中溶解气体的气相色谱分析法摆在很重要的位置【2 9 1 。色谱分析为设备 状态检修提供了可靠的依据，是判断变压器工作状态和诊断故障性质的最有效 方法之一。应用这项技术在电力设备预防性试验中及时发现了很多隐患，大大 减少了变压器的故障发生率，对电力系统的安全、经济运行有着不可低估的作 用。 传统的诊断方法是人们在长期的科学研究和变压器故障诊断实践中总结出 来的由特征气体浓度信息直接或通过简单的计算比值判断故障类型的方法，主 要有特征气体法、三比值法等 2 5 】。 i e c 三比值法：其编码规则如表2 3 所示，判断方法如表2 4 所示。 表2 3i e c 三比值法编码规则 t a 【b l e2 3 正c3r a t i oc o d er u l e 国内外在三比值法的基础上，又相继提出或推荐了多种比值诊断方法。英 国中央电力局1 9 7 0 年提出并在1 9 7 2 年国际大电网会议上介绍了将两种气体的 8 两华大学硕士学位论文 比值，c h f 4 和罢莹标在l o g l o g 坐标上，然后按比值处在图中的区域来确定故 障性质的法则，即得能堡比值( d 6 m e n b u r g ) 法，见图2 2 。 表2 4i e c 三比值法判断方法 t a b l e2 4d i a g n o s i sm e t h o do fi e c f i g m e2 2d 6 m e n b u r gr a t i om e t h o d 图2 2 得能堡比值法 9 西华大学硕士学位论文 英国中央电力局还提出与得能堡比值法相似的方法，即应用溶解气体浓度 的四组比值来构成一组代码以确定故障的性质，即罗杰斯( r o g e r s ) 比值法， 见表2 5 所示，罗杰斯法故障判断方法见表2 6 。 表2 5 罗杰斯法编码规则 t a b l e2 5r o g e r sc o d er u l e 1 0 西华大学硕士学位论文 德国电力经济也对四比值范围作过更仔细的划分，形成德国四比值法 如表2 7 所示。 表2 7 德国四比值法 、 t a b l e2 74r a t i oo f g e r m a n y 西华大学硕士学位论文 日本电协研将罗杰斯法予以简化和改进后，建立了改良罗杰斯法，如表2 8 所示。 表2 8 改良罗杰斯法判断法 t a b l e2 8i m p r o v e m e n to f r o g e r s 日本电协研究会以1 5 6 台故障变压器油中溶解气体分析数据与罗杰斯方法 和i e c 法作检验后，结果证明：罗杰斯法判断准确率仅为3 8 6 0 6 ；i e c 三比值 法的判断准确率也只有6 0 1 。电协研对i e c 法进行了改进，即把与编码相应 的比值范围的上下限做了更明确的规定，并把故障分类予以简化，提出电协研 法。 电协研法是把故障类型划分为高、中、低过热和高、低能放电五类，并可 按下图2 3 所示进行判断，但它不能对几种故障同时存在的情况进行判断。 f i 寸- - q f i 叮： l o - 低能量放电 i 3l 一一一j3f 一一一j ：高能量放电 j o 1 卜一一l = - - - 一一j i 过热( 低) i ( 中) l ( 高) ： 0 0 t 一一一j - 一一l 一 o 11 3 q 可o q 吼 f i g u r e2 31 1 1 ed i a g n o s i sc h a r to f e l e c t r i c i t ya s s o c i a t i o nr e s e a r c hb o a r do f j a p a n 图2 3 电协研法的故障判断图解 1 2 西华大学硕士学位论文 电协研法编码规则和故障判断分别如表2 9 、2 1 0 所示。 表2 9 电协研法编码规则 t a b l e2 9t h ec o d er u l eo f e l e c t r i c i t ya s s o c i a t i o nr e s e a r c hb o a r do f j a p a n 表2 1 0 电协研法的故障判断 t a b l e2 1 0t h ed i a g n o s i s m e t h o do f e l e c t r i c i t ya s s o c i a t i o nr e s e a r c hb o a r do f j a p a n 从实际情况来看，编码“1 、2 、无关 都应该表征过热兼放电性故障。此外， 电协研法删去了 0 1 0 0 0 1 ”编码组合也不符合实际。特别是0 0 1 编码组合表征 低于1 5 0 c 的一般性的导线过热的实例是存在的。为此，将电协研法的编码组 合作了进一步的改进，称其为改良电协研法。 1 3 西华大学硕士学位论文 其编码规则和故障类型诊断方法如表2 1 1 、2 1 2 所示。 表2 1 1 改良电协研法编码规则 t a b l e2 1 lt h ec o d er o l eo f t h ei m p r o v e m e n to f e l e c t r i c i t y a s s o c i a t i o nr e s e a r c hb o a r do f j a p a n 表2 1 2 改良电协研法故障类型诊断 t a b l e2 1 2t h ed i a g n o s i sm e t h o d o f t h ei m p r o v e m e n to f e l e c t r i c i t y a s s o c i a t i o nr e s e a r c hb o a r d o f j a p a n 1 4 西华大学硕士学位论文 2 4 本章小结 本章介绍了变压器内部故障中的常见故障类型，以及变压器内部故障类型 与油中气体含量的关系，研究了典型的故障类型及不同故障类型的产气成分和 特征，对诊断变压器故障性质和类型的传统方法以及综合诊断的辅助方法进行 了分析综合，为后续的故障诊断研究打下了坚实的理论基础。 在传统故障诊断方法的研究和分析中，发现传统方法都在不同方面和不同 程度存在一定的局限性和缺陷，例如特征气体判断法对故障性质有较强的针对 性，较直观、方便，不足的是没有明确量的概念；而比值法则存在故障编码不 全、多种故障联合作用时无法判断或容易误判、不能全面反映故障状况等缺点。 基于上述的原因，迫切需要一种能及时、准确地确定变压器故障类型性质的诊 断方法。人工智能化诊断方法的出现为变压器故障诊断的研究工作开辟了一条 新的途径。 1 5 西华大学硕士学位论文 3 神经网络基本原理及结构 3 1 神经网络的发展历史及现状 3 1 1 神经网络发展的历史回顾 神经网络系统理论的发展历史是不平衡的，至今已有6 0 多年历史了。在这 期间大体经历了三个阶段【9 】【3 1 】： 第一阶段，启蒙时期( 1 9 4 3 1 9 6 9 ) 。这是神经网络理论研究的奠基阶段。 。这个时期的主要特点是多种网络的模型的产生与学习算法的确定。如1 9 4 3 年心 理学家m c c u l l o c h 和数学家p i t t s 提出神经元生物学模型( 简称m 。p 模型) ，神 经网络拉开了研究的序幕。1 9 4 9 年，神经生物学家h e b b 提出了连接权值强化 的h e b b 法则，为构造有学习功能的神经网络模型奠定了基础。1 9 5 8 年， r o s e n b l a t t 在m p 模型的基础上增加了学习机制，提出感知器模型( p e r c e p t r o n ) ， 并首次把神经网络理论付诸工程实现。1 9 6 0 年，w i d r o w 和h o f f 提出了一种连 续取值的自适应线性神经元网络模型( a d a l i n e ) ，应用于消除回声。 第二阶段，低潮时期( 1 9 6 9 1 9 8 2 ) 。人工智能的创始人之一m i n s k y 和p a p e r t 于1 9 6 9 年发表轰动一时的p e r c e p t r o n 一书，指出了简单的线性感知器的功能有 限，无法解决线性不可分的两类样本的分来问题，这一论断给当时人工神经网 络的研究带来沉重的打击；又由于2 0 世纪7 0 年代以来，基于逻辑符号处理方 法的人工智能得到了迅速发展，他们的问题和局限性尚未暴露，暂时掩盖了寻 求新的神经网络的必要性和迫切性。由此开始了神经网络发展史上长达十年多 的低潮期。可喜的是，仍有少数科学家持之以恒地继续这一领域的研究，如1 9 7 2 年，芬兰的k o h o n e n 提出了自组织神经网络( s o m ) 。1 9 7 6 年，美国g r o s s b e r g 提出了著名的自适应共振理论a r t ，其学习过程具有自组织和自稳定的特征。 第三阶段，复兴时期( 1 9 8 2 今) 。这是神经网络理论研究的主要发展时期。 1 9 8 2 年，美国国家科学院的刊物上发表了著名的h o p f i e l d 模型的理论。1 9 8 4 年，h i n t o n 与s e j n o w s k i 等提出了大规模网络学习机，后来被称为b o l t z m a n n 机。1 9 8 6 年，r u m e l h a r t 和m c c l e l l a n d 对误差反向传播算法( b p 算法) 进行了 详尽的分析，解决了p e r c e p t r o n s 关于神经网络局限性的问题。1 9 9 0 年，n a r e n d r a 1 6 嚣华大学硕士学霞论文 和p a r t h a s a m t h y 提出了一种推广的动态神经网络系统及其连接权的学习算法。 1 9 9 3 年，b u l s a r i 提出以乘积s i g m o i d a l 函数作为激活函数，给出了非线性系统 用神经网络逼近的构造性接述等。 经过多年的发展，目前已有上百种的神经网络模型被提出，应用十分广泛。 3 1 2 国内外神经网络的研究现状 自从上世纪8 0 年代人工神经网络的复苏，国内外的神经网络研究逐步掀起 了热潮，神经网络的用途圜益广泛，应用领域也不断拓宽。疆蘸，神经霹络理论 在模式识别、自动控制、人工智能、计算机科学、信号处理、辅助决策、机器 入等众多研究领域取得了广泛的成功。关于学习、联想和记忆等具有智能特点 过程的机理及其模式方面的研究越来越被人们所重视【3 2 1 。 人工神经网络的应用领域极其广泛，随着人工神经网络技术的不断发展， 其用途墨益广泛，应用领域也在不断拓展，已在各工程领域中得到广泛的应用。 其比较擅长的领域是【3 3 】： ( 1 ) 模式识别 神经网络经过训练可有效地提取信号、语音、图像、雷达、声纳等感知模 式的特征，并能解决现有启发式模式识别系统不能很好解决的不变量探测、自 适应、抽象或概括等问题。这方面的应用主要有：图形、符号、手写体及语音 识别，机器人视觉、听觉，各种最近相邻模式聚类及识别分类，计算机视觉、 计算机输入装置等。神经网络可应焉于模式识别的各个环节，如：特征提取、聚 类分析、边缘检测、信号增强、噪声抑制、数据压缩以及各种变换、分类判决 等。模式识别是人工神经网络非常适宜求解的一类闯题，蔼神经网络模式识别 技术在各个领域中的广泛应用是神经网络技术发展的一个重要侧谣。 ( 2 ) 控制工程 神经网络在诸如机器入运动控制自动控制、工业生产中的过程控制等复杂 控制问题有独到之处。神经网络更适宜于组成快速实时自适应控制系统。在控 制领域的主要应用有：多变量鸯适应控制、变结构优化控制、并行分布控制、 智能及鲁棒控制等。 ( 3 ) 人工智能 西华大学硕士学位论文 在神经网络出现以前，专家系统是人工智能领域研究时间最长、应用最为 成功的技术。但是人们在应用专家系统解决类似于人脑的形象思维问题时，却 遇到了很大的困难，如：语音识别、图像处理和机器人控制等。神经网络的问 世，为人工智能开辟了一条崭新的研究途径，成为人工智能研究领域里的后起 之秀，它具有的自学习能力是传统的专家系统无法比拟的。神经网络技术能够 对不完整的信息进行补全，根据已学会的知识和解决问题的经验对复杂问题做 出合理的判断和决策，并给出较为满意的解决方案，或者对未来过程做出有效 的预测和估计。这方面的应用主要有：自然语音处理、市场分析、预测估值、 系统诊断、事故检查、密码破译、知识表达、逻辑推理、模糊评判及智能机器 人等。 ( 4 ) 优化计算和联想记忆 由于并行、分布式的计算结构，神经网络在求解组合优化、非线性优化等 一系列问题上表现出高速的集体计算能力。在高速通信开关控制、航班分配、 路径选择、组合编码、排序等各类问题的计算方面取得了成功的应用。 联想记忆的作用是用一个不完整或模糊的信息联想出存储在记忆中的某个 清晰、完整的模式。当前在这一领域的应用有人脸识别器、知识数据库等。但 是，如何提高模式存储量和联想质量仍是神经网络研究的热点之一。 ( 5 ) 信号处理 神经网络的自学习和自适应能力使其成为对各类信号进行多用途加工处理 的一种天然工具，主要用于解决信号处理中的自适应和非线性问题。比如：自 适应滤波、自适应编码等自适应问题及非线性区域的模式分类、系统辨识和高 维非线性系统的检测、估计等非线性问题的求解。神经网络在弱信号检测、通 信、自适应滤波等方面的应用尤为引人注目，并且已在多个行业得到广泛应用。 从神经网络的发展过程来看，理论研究经常超出实际使用阶段。虽然说理 论研究和实际应用相辅相成，但实际需求总是科技发展的主要推动力。迄今， 在神经网络实际应用上，虽然有不少实际应用的成果的报告，如智能控制、模 式识别、机器人控制及故障诊断掣，6 】，但真正成熟的应用还比较少见。 西华大学硕士学位论文 3 2 人工神经网络的基本模型及其结构 3 2 1 人工神经元模型 神经网络的基本单元成为神经元，它是对生物神经元的简化与模拟。神经 元的特性在某种程度上决定了神经网络的总体特性。大量简单神经元的相互连 接就构成了神经网络。 图3 1 表示的是神经元的结构模型 9 】，在图中，( 待l ，2 ，刀) 为神经元的 输入；m 为神经元分别与各输入间的连接强度，即连接权值；p 为神经元的阈 值；s 为外部输入控制信号，可以用来调整神经元的连接权值，使神经元保持 在某一状态；y 为神经元的输出。从该结构可以看出，神经元一般表现为一个 多输入、单输出的非线性器件。 韵 囊 矗 氛 暑 f i g u r e 3 1s t r u c t u r em o d e lo f n e u r o n 图3 1 神经元的结构模型 3 2 2 神经元激活函数 神经元在输入信号作用下产生输出信号的规律由神经元激活函数f o 出， 这是神经元模型的外特性。它包含了从输入信号到净输入、再到激活值、最终 产生输出信号的过程。综合了净输入、f 函数的作用。f 函数形式多样，利用它 们的不同特性可以构成功能各异的神经网络。 常用的神经网络激活函判3 7 】如表3 1 所示。 1 9 西华大学硕士学位论文 表3 1 神经网络激活函数 f i g u r e3 1a c t i v a t i o nf u n c t i o no f n e u r a ln e t w o r k 激活函数名称输入输出函数关系m a t l a b 函数 阈值函数 厂( x ) = 三二三： h a r d l i m 线性函数( x ) = 缸 p u r e l i n 饱和线性函数 厂c 工，= ；。兰三；， s a t l i n 对称饱和线性函数 m ，= 鬻 s a t l i n s 对数s i g m o i d 函錾 、( 工) = 专 l o g s i g 双曲正切s i g m o i d 函 m ) = 等 t a n s i g 数 正线性函数 ( x ) = ：三三兰 p o s l i n 竞争函数 厂c x ，= $ 嘉莩曩矗雾嚣凳 c o m p e t 3 2 3 人工神经网络的结构与工作过程 神经网络是一个复杂的互连系统，单元之间的互连模式将对网络的性质和 功能产生重要影响。互连模式种类繁多，典型的网络结构【3 l 】【3 8 】【3 9 】如下： ( 1 ) 前向网络( 前馈网络) 网络中的神经元是分剧 列的，每个神经元只与前一层神经元相连，最上 一层为输出层，最下一层为输入层，中间为隐层，各层按信号传输先后顺序依 次排列，第f 层的神经元只接受第( f 1 ) 层神经元给出的信号，各神经元之间没 有反馈。前馈网络的结构如下图3 2 所示。 2 0 西华大学硕学位论文 从图中可以看出，输入节点并没有计算功能，只是为了表征输入矢壁各元 素值。各层节点表示具有计算功能的神经元，称为计算单元。每个计算单元可 以有任意个输入，但只有一个输出，它可送到多个节点作输入。计算单元的各 节点层从下至上依次称为第1 至第n 层，由此构成n 层前向网络。 从作用效果看，前馈网络主要是函数映射，可用于模式识别和函数逼近。 簟犍 纛l 羹八l 血鼍融 f i g u r e3 2m o d e ls t r u c t u r eo tf e e d f o r w a r dn e t w o r k 嚣3 2 前馈网络结构 ( 2 ) 反馈网络 典型的反馈网络结构如图3 3 ( a ) 所示，每个节点都表示一个计算单元， 同时接受外加输入和其他各节点的反馈输入，每个节点也都直接向外部输出。 ( a )( b ) f i g u r e3 3m o d e ls t r u c t u r eo f f 潞a c kn e t w o r k 图3 3 反馈网络结构 在某些反馈网络中，各神经元除接受外加输入与其他各节点反馈输入之外， 2 l 西华大学硕士学位论文 还包括自身反馈。可表示为一张无向图，每一个连接都是双向的，如图3 3 ( b ) 所示。 从作用效果看，反馈网络按对能量函数的极小点的利用来分类有两种：第 一类是能量函数的所以极小点都起作用，这一类主要用作各种联想存储器；第 二类是只利用全局极小点，它主要用于求解最优化问题。 ( 3 ) 神经网络的工作过程 这个过程主要分为两个阶段： 1 ) 学习期。此时，各计算单元状态不变，各连接线上的权值可通过学习来 修改； 2 ) 工作期。此时，各连接权固定，计算单元变化，以达到某种稳定状态。 3 2 4 人工神经网络的特性 人工神经网络的特性如下【9 】【3 6 】： 【1 ) 大规模并行处理 由于人脑是一个大规模并行与串行组合处理系统，因而在许多问题上可以 做出快速判断、决策和处理，人工神经网络的基本结构是模仿人脑，所以具有 并行处理的特征，可以大大提高工作速度。 ( 2 ) 分布式存储 人脑存储信息的特点是利用突触效能的变化来调整存储内容，即信息存储 在神经元之间连接强度的分布上，存储区与运算区合为一体。 ( 3 ) 自适应( 学习) 过程 人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多 各具特色的活动功能。人工神经网络也